trampelpfadanalyse

Solid

Fehleranalyse in Pipeline- und Steuerdatei-Abläufen: prüfen, ob eine Konvention oder ein Verfahren für ein LLM überhaupt sichtbar und auffindbar ist. Empirischer Baseline → Intervention → Retest-Vergleich mit naiven Subagenten (eigene isolierte Sandbox-Kopien, gleicher Testfall, quantitative Erfolgsmessung). Nutze diesen Skill, wenn Agenten eine Regel/README/Konvention wiederholt ignorieren oder falsch navigieren und du messen willst, ob eine Doku-Änderung das Verhalten tatsächlich ändert. Triggert bei "wird die Konvention überhaupt gesehen", "warum hält sich kein Agent an die Regel", "Doku-Schild messbar wirksam machen", "Trampelpfadanalyse".

AI & Automation 2 stars 1 forks Updated today MIT

Install

View on GitHub

Quality Score: 81/100

Stars 20%
16
Recency 20%
100
Frontmatter 20%
70
Documentation 15%
100
Issue Health 10%
80
License 10%
100
Description 5%
100

Skill Content

<img src="banner.png" width="100%" alt="trampelpfadanalyse banner"> # Trampelpfadanalyse — LLM-sichtbare Konventionen empirisch herstellen Eine Methode, um Fehler in Pipeline- und Steuerdatei-Abläufen aufzudecken, die nicht durch falschen Code entstehen, sondern dadurch, dass eine **Konvention für ein LLM unsichtbar** ist. Statt zu raten, ob eine README oder Regel "klar genug" ist, wird empirisch gemessen: naive Subagenten ohne Vorwissen werden auf den Ablauf losgelassen, ihr Verhalten wird zur **Baseline**, eine gezielte Doku-Änderung ("Schild") ist die **Intervention**, und frische naive Subagenten liefern den **Retest**. Der Diff zur Baseline ist die Erfolgsmessung. Der Name kommt vom Trampelpfad (engl. *desire path*): dort, wo Menschen tatsächlich laufen statt auf dem angelegten Weg, gehört ein Weg hin. Analog zeigen die Pfade naiver LLMs, wo Doku/Leitplanken tatsächlich gebraucht werden — nicht dort, wo wir sie vermuten. ## Wann diesen Skill nutzen - Agenten ignorieren wiederholt eine Regel/Konvention, obwohl sie dokumentiert ist. - Du willst wissen, ob ein Verfahren für ein LLM **sichtbar/auffindbar** ist, bevor du weitere Doku schreibst ("redet hier jemand gegen eine Wand?"). - Nach einer Umstrukturierung (neue Verzeichnisse, Umbenennungen): Finden Agenten noch die Einstiegspunkte? - Du hast eine Doku-Änderung gemacht und willst **belegen**, dass sie wirkt — nicht nur hoffen. - Onboarding-Test vor dem Einbinden neuer LLM-Partner in eine Pipeline. Nicht hier...

Details

Author
ellmos-ai
Repository
ellmos-ai/skills
Created
4 months ago
Last Updated
today
Language
Python
License
MIT

Integrates with

Similar Skills

Semantically similar based on skill content — not just same category

AI & Automation Solid

pipeline-optimizer

Strukturiertes 6-Schritte-Verfahren zur Verbesserung, Renovierung oder Umbau bestehender Pipelines, einzelner Projektordner, Doku-Strukturen oder Software-Stacks. Ansprechbar als "Pipeline-Optimizer" (für ganze Themen-Pipelines, z.B. eine Software-, Forschungs- oder Game-Dev-Pipeline) oder "Projekt-Ordner-Optimizer" (für einzelne Projektordner innerhalb einer Pipeline, z.B. ein einzelnes Software-Tool oder Paper-Projekt). Aktiviert sich bei Aufgaben wie "Pipeline X verbessern", "Stack optimieren", "Y umbauen", "Renovierung", "Pipeline-Refactoring", "Projekt-Ordner aufräumen", "Projektordner optimieren", "Ordnerstruktur verbessern", "Konventionen vereinheitlichen", "Doku-Konsolidierung", "in bestehendes System integrieren", oder bei substantiellen Eingriffen in etablierte Strukturen. Liefert Bausubstanz-Analyse, Zweck-Klärung, Ideal-Skizze, Lücken-Plan, empirische Schmerzpunkt-Identifikation und Retests mit frischen Subagenten. Verhindert parallele Standards, Duplikation und Pipeline-Brüche.

2 Updated today
ellmos-ai
AI & Automation Listed

debug-agent-from-traces

Use this to diagnose WHY an LLM agent or chain produced a wrong, empty, slow, or expensive result, by reading its observability trace. Trigger on "my agent gave the wrong answer", "the chain returned nothing", "why is this so slow/expensive", "debug this trace/run", or when a trace tree is available. Walk the span tree systematically instead of guessing.

26 Updated yesterday
ContextJet-ai
AI & Automation Solid

agents-bridge

Anbieter- und nutzerneutrale Brücke zwischen Agenten, CLIs und IDEs. Entdeckt vorhandene Bootstrap-Konventionen, lässt den Nutzer eine oder mehrere Wahrheitsquellen und ihre Reihenfolge festlegen und erzeugt daraus kleine Loader- oder Redirect-Dateien ohne Regelkopien. Verwenden, wenn AGENTS.md, CLAUDE.md, GEMINI.md, Copilot-, Cursor-, Aider- oder andere Agent-Regeln verbunden werden sollen.

2 Updated today
ellmos-ai